基于集成学习和近红外光谱的玉米种子含水率预测方法研究

针对传统化学方法测定玉米种子含水率存在工序复杂、周期长、成本高等问题，提出一种基于集成学习算法和近红外光谱技术的快速、无损预测玉米种子含水率的方法。以‘陕科9号’等8个品种的320份玉米种子作为研究对象，用近红外光谱仪（Antaris Ⅱ型，美国Nicolet公司）采集玉米种子的近红外漫反射光谱。统一采用偏最小二乘回归（Partial Least Squares Regression，PLS）方法对比分析SG平滑滤波（Savitzky-Golay，SG）结合4种光谱预处理方法对玉米种子近红外光谱的预处理效果，发现Savitzky-Golay方法结合多元散射校正法去噪效果最优。采用竞争性自适应重加权算法（CARS）进行特征波长的提取，前7个光谱特征的累计贡献率超92%以上。以GBDT（Gradient Boosting Decision Tree，梯度提升决策树）、RF（Random Forest，随机森林）、XGB（或XGBoost，Extreme Gradient Boosting极端梯度上升）作为基础模型，采用Stacking作为融合策略，建立Stacking集成学习模型。预处理后的数据，提取前7个主成分作为特征向量，用直接干燥法得到这些种子的含水率作为标签，分别训练4种玉米种子含水率预测模型，对比分析该4种模型的性能指标，Stacking集成模型经过2 163次训练后预测相关系数R_P=0.939 1，相对分析误差PRD=2.91。结果表明，Stacking集成模型融合了GDBT、RF、XGB 3个基础模型的优势，精度高，收敛特性好，泛化能力强，为玉米种子含水率快速、无损的测定提供了新的思路。

Content in Maize Seeds Based on Ensemble Learning and Near Infrared Spectroscopy